مشخصه هاي رانندگي و تاثير آنها بر ميزان مصرف سوخت و آلاينده هاي خودروي دورگه برقي

مشخصه هاي رانندگي و تاثير آنها بر ميزان مصرف سوخت و آلاينده هاي خودروي دورگه برقي

در اين مقاله به مشخصه هاي رانندگي و ميزان تاثير آنها بر مصرف سوخت خودرو و آلاينده ها در گازهاي خروجي مجراي دود پرداخته شده است. جمع آوري داده‌هاي رانندگي در شرايط شدآمد(ترافيك) واقعي براي دستيابي به رشته زماني سرعت خودرو انجام گرفته است. فرآيند داده برداري به كمك سامانه پيشرفته موقعيت‌ياب خودرو (AVL) كه بر اساس فنآوري مكان‌يابي (GPS)عمل مي كند، انجام پذيرفته است. پس از آن 21 مشخصه رانندگي بر اساس رشته زماني سرعت خودرو تعريف شده است. سپس به بررسي اين مشخصه‌ها در داده‌هاي اندازه‌گيري شده پرداخته شده و معادله بين مشخصه‌هاي رانندگي به منظور تعيين مشخصه‌هاي مستقل بررسي شده است. همچنين تاثير مشخصه‌هاي رانندگي بر مصرف سوخت و آلاينده‌هاي خودرو با استفاده از شبيه‌سازي نرم افزاري ارزيابي شده است. براي اين كار از نرم‌افزار Advisor براي شبيه‌سازي دو نوع خودرو سمند معمولي و سمند دورگه با موتور ملي بنزين سوز، بهره برده شده است و نتايج شبيه‌سازي در چند مورد با آزمايش عملي مقايسه شده است. در انتها شاخص دهي مشخصه‌هاي رانندگي با استفاده از يك شاخص كلي صورت گرفته‌اند و مشخصه هاي برتر شناسايي و معرفي شده اند. مشخصه‌هاي رانندگي مهمتر را مي‌توان در دسته‌بندي شرايط شدآمد ، توسعه چرخه هاي رانندگي، دسته‌بندي الگوهاي رانندگي و پايش هوشمند خودروهاي دورگه استفاده كرد.

This paper presents driving features and their influences on the vehicleʹs fuel consumption and exhaust emissions; driving data gathering is performed in real traffic conditions in order to provide the velocity time series. Advance Vehicle Locating (AVL) systems based on GPS technology are used for driving data collection. Then 21 driving features are defined based on vehicleʹs velocity time series. After the extraction of features from the driving data, relation between the features is investigated in order to determine independent features. The influence of the selected features on vehicleʹs fuel consumption and pollutant emissions is then studied using computer simulations. The Advisor software is utilized here for two types of vehicles, conventional SAMAND and hybrid SAMAND (HEV), simulation results are compared with test results in some cases. Finally the most effective driving features are determined by a total index and superior features are identified and presented as the result of this study. These superior features can be used in traffic condition clustering, driving cycle development, traffic condition clustering and intelligent HEV control.